PDF A Visual Introduction to Deep Learning - kDimensions

Tài liệu giới thiệu về Deep Learning theo phong cách ảnh đi trước text đi sau
(Đây là sách học Deep Learning mà ít chữ)
Đây là 1 quyển ebook cực kì thú vị mà mình vô tình khai quật được. Ebook này là 1 tài liệu tuyệt với nếu các bạn là người mới và muốn tìm hiểu về Deep Learning vì những lý do sau:
Đây là quyển sách hiếm hoi được xây dựng theo cách tiếp cận visual-first, tức là với mỗi phần, hình ảnh sẽ xuất hiện trước để các bạn có được hình dung về kiến thức mình chuẩn bị học. Sau đó text để diễn giải mới theo sau
Đây là 1 quyển sách hiếm hoi mà quá 50% là hình ảnh. Như các bạn đã biết thì não bộ của chúng ta nhạy với thông tin dưới dạng ảnh hơn rất nhiều so với thông tin dưới dạng chữ
Các kiến thức toán phức tạp hay code được loại bỏ: Cách tiếp cận này sẽ giúp các bạn mới học đỡ bị ngợp hơn. Nhưng tất nhiên về lâu về dài để hiểu bản chất thì Toán là không thể thiếu. Anyway, miễn là hiệu quả, học cách nào cũng được
Mình highly recommend tài liệu này với các bạn. Cực kì dễ hiểu



236 trang

Cuốn sách "A VISUAL INTRODUCTION TO DEEP LEARNING" của tác giả Meor Amer nhằm mục đích cung cấp một cách tiếp cận trực quan, dễ hiểu về Học sâu (Deep Learning) và Mạng nơ-ron (Neural Networks).

Nội dung chính:

• Giới thiệu: Trình bày về tầm quan trọng của AI và Deep Learning, vai trò của chúng trong việc đưa ra dự đoán và quyết định. Đề cập đến ba yếu tố thúc đẩy sự phát triển của Deep Learning: Thuật toán (Algorithm), Dữ liệu (Data) và Tính toán (Computation) (đặc biệt là GPU).
• Cách tiếp cận của sách: Sử dụng phương pháp "hình ảnh là trên hết" (visuals-first), tập trung vào trực giác hóa mà không đi sâu vào chứng minh toán học và ví dụ code.
• Lộ trình (Roadmap): Sách khám phá cách Deep Learning hoạt động thông qua bốn nhiệm vụ chính, được sắp xếp theo độ phức tạp tăng dần:
  1. Hồi quy Tuyến tính (Linear Regression) (Chương 1): Giới thiệu kiến trúc mạng nơ-ron đơn giản nhất (một nơ-ron, một đầu vào), các bước huấn luyện lặp đi lặp lại (Dự đoán - Đo lường - Phản hồi - Điều chỉnh) và các khái niệm cơ bản như Trọng số (Weights), Độ lệch (Biases), Hàm lỗi (Loss Function - MSE), Gradient Descent và Tốc độ học (Learning Rate).
  2. Hồi quy Phi tuyến (Non-Linear Regression) (Chương 2): Xây dựng kiến trúc mạng nơ-ron đầy đủ hơn với các lớp (Layers) và đơn vị (Units), bao gồm Lớp Ẩn (Hidden Layer). Giới thiệu sự cần thiết của Hàm kích hoạt phi tuyến để xử lý dữ liệu phức tạp hơn, nổi bật là ReLU. Giải thích chi tiết về quá trình Lan truyền ngược (Backpropagation) để tính toán gradient và điều chỉnh tham số.
  3. Phân loại Nhị phân (Binary Classification) (Chương 3): Chuyển từ dự đoán giá trị liên tục sang dự đoán nhóm (phân loại). Thay đổi hai thành phần chính: sử dụng Hàm kích hoạt Sigmoid ở lớp đầu ra và Hàm lỗi Cross Entropy Nhị phân (Binary Cross Entropy). Giới thiệu các chỉ số hiệu suất phân loại như Độ chính xác (Accuracy), Ma trận nhầm lẫn (Confusion Matrix), Độ chuẩn xác (Precision), Độ phủ (Recall) và F1 Score.
  4. Phân loại Đa lớp (Multi-Class Classification) (Chương 4): Xử lý nhiệm vụ phân loại với nhiều hơn hai lớp. Giới thiệu phương pháp mã hóa đầu ra là Mã hóa One-Hot (One-Hot Encoding) và sử dụng Hàm kích hoạt Softmax ở lớp đầu ra, cùng với Hàm lỗi Cross Entropy Phân loại (Categorical Cross Entropy).

Tác giả: Meor Amer, có kinh nghiệm về AI/Machine Learning và đam mê giáo dục.